降维遇上网络科学：基于UMAP的kNN图进行意义构建
UMAP 广泛用于高维数据可视化，但典型工作流只关注其低维嵌入，忽略了内部构建的 kNN 图。该图在原始高维空间中编码了数据流形，在 2D 投影失真之前就已存在，蕴含未被充分利用的信息。
作者展示了在 kNN 图上应用标准图算法如何增强数据意义构建：(1) PageRank 识别代表性数据点；(2) k-core 分解区分密集核心与稀疏外围；(3) 聚类系数检测紧密相连的高相似性数据点。
在 MNIST 和 Fashion MNIST 上的定量与定性评估表明，这些基于图的分析不仅实用，而且与专门方法（如 k-medoids 进行示例选择，HDBSCAN 进行密度聚类）相比具有竞争力或互补性。
